sanntidsoptimalisering

Sanntidsoptimalisering er et område innen optimering som fokuserer på å beregne og oppdatere beslutninger i sanntid eller nesten sanntid. Beslutningene tilpasses kontinuerlig endringer i data og forhold, som etterspørsel, tilgjengelige ressurser og sensorinformasjon, innenfor gitte tids- og kapasitetsterrestriksjoner. Hensikten er å oppnå høyest mulig ytelse i systemer som er dynamiske og uforutsigbare.

Metoder kombinerer modellbasert prediksjon med rask løsing av optimeringsproblemer. Vanlige teknikker inkluderer lineær og kvadratisk programmering, konveks optimering og blandet heltallsprogrammering, ofte i en receding horizon-ramme (modellprediksjonskontroll). Praktiske løsninger bruker raske løsningsalgoritmer, varmstart og støtte fra edge-enheter eller grafikkprosessorer for å oppfylle stramme tidskrav.

Bruksområder spenner fra transport og logistikk (trafikkflyt og ruteplanlegging) til energi (kraftsystembalanse og etterspørselsrespons), produksjon og lagerstyring, telekommunikasjon og nettverksfordeling, samt autonome roboter og industrielle prosesser.

Utfordringer inkluderer usikkerhet og modellavvik, varierende datakvalitet og behov for robuste løsninger. Realistiske systemer krever garantert respons til bestemte tidsrammer, stabilitet og kontroll over avvik mellom modell og virkelighet. Beregningsbegrensninger og kommunikasjonslatens kan begrense ytelsen.

Fremtidige retninger omfatter distribuerte og asynkrone sanntidsløsninger, edge computing, samt integrasjon av maskinlæring og optimering for bedre tilpasning og robusthet.

Se også: modellprediksjonskontroll, online optimering, sanntidsystemer.